Computer Vision Toolbox

重要更新

 

Computer Vision Toolbox

设计和测试计算机视觉、三维视觉和视频处理系统

开始:

深度学习和机器学习

使用深度学习和机器学习来检测、识别和分割目标。

目标检测与识别

训练、评估和部署目标检测器,例如 YOLO v2、Faster R-CNN、ACF 和 Viola-Jones。使用视觉词袋和 OCR 进行目标识别。使用预训练模型来检测面部、行人和其他常见目标。

使用 Faster R-CNN 进行目标检测。

语义分割

使用 SegNet、FCN、U-Net 和 DeepLab v3+ 等网络,对各个像素和体素进行分类,以分割图像和三维体。使用实例分割来生成分割地图并检测目标的唯一实例。

使用 Mask R-CNN 进行实例分割。

真值标注

使用视频标注器和图像标注器进行自动标注,以用于目标检测、语义分割、实例分割和场景分类。

使用视频标注器进行真值标注。

相机标定

估算相机的内部、外部和镜头失真参数。

单目相机标定

使用相机标定器自动检测棋盘格并标定针孔和鱼眼相机。

立体相机标定

标定立体相机组,以计算深度并重建三维场景。

视觉 SLAM 和三维视觉

从多个二维视图中提取场景的三维结构。使用视觉测距估计相机运动和位姿;使用视觉 SLAM 细化位姿估计。

基于运动进行多视图构建。

视觉 SLAM 的特征检测与匹配。

立体视觉

使用立体相机组估计深度并重建三维场景。

使用立体视觉估计场景中各点的相对深度。

激光雷达和三维点云处理

借助激光雷达或三维点云数据,对几何形状进行分割、聚类、下采样、去噪、配准和拟合。 Lidar Toolbox™ 还针对激光雷达处理系统的设计、分析和测试提供了更多功能。

激光雷达和点云 I/O

读取、写入和显示来自文件、激光雷达系统和 RGB-D 传感器的点云。

使用点云查看器可视化流式传输的点云数据。

点云配准

使用正态分布变换 (NDT)、迭代最近点 (ICP) 和相干点漂移 (CPD) 算法配准三维点云。

分割和形状拟合

将点云分割为簇,并对点云进行几何形状拟合。分割激光雷达数据中的地面,以用于自动驾驶和机器人应用。

使用点云分割识别点云中的簇。

特征检测、提取和匹配

使用基于特征的工作流,进行目标检测、图像配准和目标识别。

使用点特征检测、提取和匹配,检测杂乱场景中的目标。

基于特征的图像配准

在多个图像中匹配特征,以估计图像之间的几何变换并配准图像序列。

使用基于特征的配准创建的全景。

目标跟踪和运动估计

估计视频和图像序列中的运动并跟踪目标。

运动估计

使用光流、块匹配和模板匹配,估计视频帧之间的运动。

使用固定相机检测移动目标。

OpenCV 接口

将基于 OpenCV 的工程和函数集成到 MATLAB 和 Simulink 中。

代码生成

将计算机视觉算法开发集成到快速原型构建、实现和验证工作流。